Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sinyal Electroencephalogram (EEG) merupakan sinyal yang merepresentasikan aktifitas otak manusia. Berbagai metoda telah digunakan untuk menganalisa sinyal EEG. Tulisan ini bertujuan untuk menganalisa hasil deteksi sinyal hits dan lapses EEG dengan menggunakan transfonnasi wavelet diskrit maju level 3 dan jaringan saraf tiruan baclqaropagalion neural network (BPNN). Dimana kondisi lapses adalah kondisi seorang pasien yang pada saat sebelum pemeriksaau. (sehari sebelumnya) melakukan aktifitas yang berat. Sedangkan hits adalah kondisi dimana sehari sebelum pemeriksaan pasien melakukan aktifitas ringan.Tahapan simulasi yang dilakukan adalah pembangan sinyal EEG, selanjutnya sinyal didekomposisi dengan menggunakan transformasi wavelet daubechies 4 level 3 untuk diketahui komponennya lalu komponen-komponen sinyal hasil dekomposisi dilatih dengan menggunakan 3 lapisan BPNN dengan target sebuah sinyal lapses.Simulasi dilakukan dengan 500 kali pelatihan dan 100 kali pelatihan. Pada 500 kali pelatihan (training epoch), dilakukan deteksi terhadap keluaran BPNN yang masukannya adalah sinyal detail 1, detail 2, detail 3, dan aproksimasi transformasi wavelet diskrit maju level 3. Hasil simulasi menunjukkan pendeteksian terbaik didapat dari masukan sinyal detail 2 tmnsformasi wavelet. Dari simulasi didapat bahwa jumlah pelatihan berkaitan dengan keekuratan deteksi, semakin banyak pelatihan maka deteksi akan semakin akurat."

"Electroencephalography (EEG) is recording of the electrical signals on the scalp. These signals come from sources of activity within the brain; however it can be difficult to determine where the sources originate from just by looking at the signals. Through signal processing, these EEG signals can be analyzed and displayed as more useful information. This research explored the evolution of EEG (Brain-waves) topography. The aim of this research was to extract the origins of brain-waves within the brain from EEG data and develop an algorithm to analyze and display this information. This was done in the MATLAB environment by creating: a working software to display and pre-process multichannel EEG data; software/algorithms that could localize sources of EEG within the brain; and a clinician-friendly GUI block. Neural networks are a supervised machine learning technique that can be used to train a system based on previously seen data. Using this approach, it is possible to accurately extract signal positions within the brain."

"

Elektroensefalografi (EEG), sebagai metode rekaman neurofisiologis yang telah dimanfaatkan secara luas, terutama dalam penelitian dasar tentang fungsi otak dan pemantauan pasien dengan gangguan neurologis. serta sistem Brain Computer Interface (BCI) untuk menerjemahkan sinyal menjadi perintah atau fungsi tertentu. Dalam perekaman sinyal EEG, terdapat tantangan interferensi dan noise akibat amplitudo sinyal yang sangat kecil (mikrovolt [V]) dan frekuensi rendah. Penelitian ini mengeksplorasi pengembangan elektroda aktif sebagai solusi untuk menguatkan sinyal EEG sehingga dapat meminimalisir noise yang mungkin ada. Elektroda aktif dirancang menggunakan filter aktif Sallen & Key orde 2 dengan respon butterworth menggunakan OPA378 sebagai operational amplifier dengan frekuensi cut-off 0 hingga 100 Hz. Untuk meminimalisir jumlah kabel, diterapkan operasi single-supply sehingga hanya 3 kabel yang diperlukan untuk mengoperasikan elektroda aktif. Prototype elektroda aktif diuji menggunakan EEG simulator NETECH MiniSim 330 dan direkam menggunakan ADS1299 PDK sebagai ADC dan Raspberry Pi 4 Model B untuk menyimpan file rekaman. Hasilnya, elektroda aktif mampu melakukan penguatan sinyal sebesar 22 kali dengan cukup stabil pada rentang frekuensi 20 hingga 100 Hz dengan error sebesar 3.53% dari target penguatan yang diinginkan.

---

Elektroensefalografi (EEG) is a widely used method for recording neurophysiological signals, primarily for research on brain functions and monitoring patients with neurological disorders. The development of active electrodes is being explored as a solution to improve the quality of EEG signals, which are characterized by very low amplitude (microvolts [μV]) and low frequency. The active electrode is designed using Sallen & Key filter or Butterworth filter with OPA378 as the operational amplifier with a cut-off frequency range of 0 Hz to 100 Hz. To minimize the number of wires, single-supply operation is applied, requiring only three wires to operate the active electrode. The prototype of the active electrode was tested using a NETECH MiniSim 330 EEG simulator and recorded using an ADS1299 PDK as an ADC and a Raspberry Pi 4 Model B to save the recorded file. The results show that active electrodes can provide signal attenuation up to 22 times with sufficient stability in the 20 Hz to 100 Hz frequency range, with an error of 3.35% from the expected

"

"Prevalensi stroke di Indonesia berdasarkan diagnosis tenaga kesehatan sebesar 7? dan yang mempunyai riwayat gejala sebesar 12,1?. Pemeriksaan awal menggunakan CT Scan menimbulkan dampak radiasi serta membutuhkan biaya operasional yang tinggi, sedangkan prevalensi stroke berdasarkan diagnosis atau gejala lebih tinggi pada kuintil indeks kepemilikan terbawah (13,1?) dan menengah bawah (12,6?).Penelitian ini mencoba melakukan analisis sinyal EEG secara otomatis berdasarkan data EEG pasien normal dan pasien stroke iskemik akut dengan pemrosesan sinyal digital berupa transformasi Wavelet serta jaringan saraf tiruan jenis feedforward dengan algoritma Extreme Learning Machine (ELM). Jordan mengemukakan bahwa elektroensefalografi dapat membantu mengkonfirmasi atau mendeteksi adanya stroke iskemik akut yang ditunjukkan dengan adanya perlambatan gelombang serta adanya ketidaksimetrisan antara gelombang otak kanan dan kiri.Penelitian ini menggunakan nilai Delta/Alpha Ratio (DAR), (Delta+Theta)/(Alpha+Beta) Ratio (DTABR) dan Brain Symmetry Index (BSI) sebagai nilai fitur masukan ELM yang diperoleh dengan transformasi Wavelet (Daubechies 4) serta metode Welch untuk mengidentifikasi stroke iskemik akut. Hasil penelitian ini diperoleh nilai akurasi di atas 85% dengan nilai sensitivitas di atas 86%

---

The prevalences of stroke in Indonesia are 7? based on the health professionals? statement and 12.1? based on patients' symptoms' history. Early examination using CT scan causes radiation effects and spent high operational cost while the prevalence of stroke based on diagnosis or symptoms were higher in the lowest (13.1 ?) and mid lower (12.6 ?) quintile of ownership index.

This study tried to analyze the signals of EEG automatically based on training data sets from normal patients and patients with acute ischemic stroke (AIS) using digital signal processing such as Wavelet transform and feedforward type of neural network with Extreme Learning Machine (ELM) algorithm. It was claimed that electroencephalography could help to confirm or detect acute ischemic stroke which is shown by the presence of the slow wave and the asymmetrical wave of right and left hemisphere.

This study uses Delta Alpha Ratio (DAR), (Delta+Theta)/(Alpha+Beta) Ratio (DTABR) and Brain Symmetry Index (BSI)'s value as the ELM input feature score which were obtained by Wavelet (Daubechies 4) transformation and Welch's method to identify acute ischemic stroke. In this study, the average performances of system test accuracy were above 85% with 86% sensitivity."

"Telah dirancang prototype motor imagery dengan memanfaatkan perintah sinyal otak yang dihasilkan oleh Electroencephalography EEG . Sinyal EEG digunakan untuk memberikan informasi sinyal motorik. Bentuk unik dari sinyal EEG menggambarkan perintah untuk menggerakkan lengan. Pada kondisi lumpuh sekalipun, informasi motorik pada sinyal EEG masih akan ditemukan saat seseorang membayangkan menggerakkan lengannya. Dalam penelitian ini informasi motorik pada sinyal EEG digunakan sebagai umpan balik dengan menggabungkan 4 elektrode input F3, F4, FC5, FC6 . Akuisisi sinyal EEG menggunakan Emotiv EPOC portable. Probabilistic Neural Network PNN berfungsi sebagai pemrosesan sinyal. Fungsi ini digunakan untuk pengenalan sinyal motor imagery membayangkan gerakan lengan tangan . Karakteristik komputasi yang dilakukan oleh PNN secara parallel mampu mempersingkat waktu pemrosesan sinyal. Hasil pengolahan PNN adalah power maksimum sinyal mu, Power maksimum sinyal beta, frekuensi mu dan frekuensi beta. Kombinasi keempat fitur ini memberikan nilai akurasi yang cukup tinggi. Hasil percobaan menunjukkan bahwa akurasi untuk training rata-rata adalah 85,49 - 91,32 sedangkan nilai untuk testing 82,6 - 87,6 . Alat terapi yang digunakan nBETTER Upper Limb Feedback. Alat terapi akan aktif, bila nilai testing sinyal EEG lebih besar dari 80 . Ke depan, prototype motor imagery ini dapat dikembangkan sebagai alat terapi pasien stroke yang mampu mengurangi ketergantungan pada seorang fisioterapis saat proses terapi.

---

A modeling arms post stroke therapy used command brain signals generated by Electroencephalography EEG has been designed. EEG signals used to provide motorics information. The unique form of signal EEG describe commands to move the limbs. On condition paralyzed, motorics information on the EEG signals will still be found when someone tried to move his limbs. In this research, we aim used the motorics information on the EEG signals as neuro feedback with combine 4 input electrode F3, F4, FC5, FC6 . EEG signal acquisition using the Emotiv EPOC portable. Probabilistic Neural Network PNN function as signal processing. This function was applied to the recognition research of motor imagery EEG signals imagining arms movement . The parallel computing characteristic of PNN not only improved the generation ability for network, but also shorted the operation time. The result of PNN are maximum mu power, maximum beta power, mu frequency and beta frequency that provided value to calculate classification accuracy. The experimental results show that the accuracy for training on average is 85.49 91.32 while the value for testing is 82.6 87.6 . Therapy tool used nBETTER Upper Limb Feedback. The therapeutic tool will be active, when the value of the EEG signal testing is greater than 80 . In the future, this modeling post stroke therapy can be reduced dependency from physiotherapist."

"Telah dibuat sistem akuisisi data EEG 16 kanal menggunakan ADS1299FE Texas Instrument, USA berbasis FPGA Zedboard Diligent,USA . EEG merupakan suatu divais yang digunakan untuk mengukur aktivitas kelistrikan pada permukaan kepala yang dikenal sebagai sinyal EEG. Sinyal EEG memiliki beda potensial 0.5-100 V dengan frekuensi 0.5 ndash; 40 Hz. Sistem akuisisi data EEG ini terdiri atas 2 buah chip ADS1299 yang terhubung secara Daisy-Chain yang diproses menggunakan FPGA Zedboard. Rancangan sistem akuisisi ini dapat dikonfigurasi ulang baik gain dan data ratenya. Pengaturan ulangini dapat dilakukan melalui program terminal pada komputer maupun dengan menggunakan perangkat lunak yang didisain khusus untuk sistem ini. Perangkat lunak tersebut dapat merekam dan menampilkan data hasil akuisisi secara real time. Validasi sistem akuisisi data EEG ini telah diuji menggunakan EEG Simulator NETECH Mini-Sim EEG , pengujian dilakukan pada frekuensi 2Hz dan 5Hz dengan rentang amplitudo 10 V, 30 V , 50 V dan 100 V. Hasil uji validasi pada frekuensi 2Hz diperoleh hasil pengukuran dengan maksimal deviasi 1.3 dan pada frekuensi 5Hz diperoleh hasil pengukuran dengan maksimal deviasi 1.8.

---

Has been developed Electroencepharography EEG data acquisition system base on FPGA Zedboard Diligent, USA usin ADS1299FE Texas Instrument, USA . EEG is a device used to measure the electrical activities on the scalp. The voltage range of EEG signal are around 0.5 100 V with frequency 0.5 ndash 40 Hz. This data acquisition system consisted of 2 chips ADS1299 which were connected in Daisy Chain mode and processes using Zedboard. This acquisition system can be reconfigured both its gain and data rate. This configuration could modified both using terminal program or software specially design respectively. The feature of this software are data recording and display the EEG signal graphically in real time. The recorded EEG signal were validated using EEG Simulator NETECH Mini Sim EEG with frequency 2Hz and 5Hz and voltage test in 10 V, 30 V, 50 V and 100 V. The result of the validation test at 2Hz obtained measurement result with a maximum deviation of 1.3 and at a frequency of 5Hz obtained measurement result with a maximum deviation of 1.8 ."

"Pada penelitian ini metode ekstraksi fitur dengan metode RWB akan dibandingkan dengan metode Bispectrum-Gaussian untuk menentukan jenis ekstraksi fitur yang lebih baik untuk klasifikasi sinyal EEG, selain itu akan klasifikasi dilakukan dengan menggunakan jenis model ANN dan CNN dengan variasi dimensi data yang berbeda untuk mengetahui pengaruh layer konvolusi terhadap hasil klasifikasi. Pada metode RWB autokorelasi akan dihitung untuk membentuk matriks cumullant orde ke-3 untuk kemudian dilakukan dekomposisi DWT 5 tingkatan untuk dihitung energi relatif dari hasil dekomposisinya. Pada metode Bispectrum-Gaussian matriks hasil perhitungan Bispectrum akan dilakukan filtering dengan kernel filter Gaussian untuk selanjutnya dihitung rata-ratanya untuk memperoleh fitur. Implementasi dilakukan dengan menggunakan data yang berasal dari UCI EEG Repository. Berdasarkan percobaan yang dilakukan diperoleh akurasi pelatihan percobaan CNN dengan data RWB 2D memiliki akurasi tertinggi mencapai 99%, akurasi percobaan ANN dengan data RWB 1D memiliki akurasi testing tertinggi mencapai 90%, dan akurasi pelatihan dan testing dari metode Bispectrum-Gaussian memiliki akurasi terendah, dengan akurasi pelatihan mencapai 90% dan testing mencapai 82%, menjadikan metode RWB secara umum lebih baik dibandingkan dengan metode Bispectrum-Gaussian. Berdasarkan percobaan juga ditemukan bahwa nilai lag dari perhitungan autokorelasi memiliki pengaruh terhadap hasil klasifikasi data di mana setiap peningkatan lag sebesar dua kali terjadi peningkatan akurasi testing sebesar 7.5% secara rata-rata.

---

This research will compare the performance between two feature extraction methods for EEG signal classification, that is RWB and Bispectrum-Gaussian, the classifications are done using two different kinds of model, ANN and CNN, and the feature’s dimension will be varied, the two model is used to determine the impact of a convolutional layer to the classification result. In the RWB method an autocorrelation will be computed to create a 3rd order cumulant matrix, the matrix then will be decomposed using DWT 5 level, and a relative wavelet energy calculation will be done to obtain the final feature. For the Bispectrum-Gaussian method, a Bispectrum calculation will be done, and the result of the calculation will be filtered using Gaussian kernel filter, then an average operation will be done on the filtered Bispectrum, resulting in the final feature. The implementation is done using the dataset provided by UCI EEG Repository. According to the experiment’s results the experiment using 2D RWB feature and CNN have the highest training accuracy achieving 99%, as for the experiment using 1D RWB feature and ANN it have the highest testing accuracy achieving 90%, on the other hand the experiment done using Bispectrum-Gaussian method have the lowest accuracy, with 90% training accuracy and 82% testing accuracy, this resulting in RWB became the better method for EEG feature extraction compared to Bispectrum-Gaussian. The experiments also suggest that the variation of lag value during the autocorrelation calculation has an impact on the classification accuracy, where for every multiple of two of the lag value resulting in increasing accuracy by 7.5% in average."

"Ada sekitar 1,3 juta orang meninggal akibat kecelakaan lalu lintas setiap tahunnya di seluruh dunia. Di Indonesia sendiri, jumlah kecelakaan lalu lintasnya terbilang tinggi dan cenderung terus meningkat setiap tahunnya menurut data dari Badan Pusat Statistik (BPS). Faktor manusia seringkali ditetapkan sebagai faktor utama penyebab terjadinya kecelakaan. Pada manusia, kelelahan dianggap sebagai penyebab utama kecelakaan transportasi dengan salah satu indikatornya adalah rasa kantuk. Langkah yang dapat dilakukan untuk mencegah meningkatnya tingkat kantuk yang dialami oleh pengemudi salah satunya adalah dengan mengatur suhu ruang kemudi. Suhu lingkungan kerja memberikan kontribusi yang besar terhadap tingkat kelelahan. Maka dari itu, penelitian ini dilakukan untuk mengetahui rentang suhu optimal untuk mengurangi tingkat kantuk pengendara guna mengurangi tingkat kecelakaan lalu lintas di Indonesia. Metode yang digunakan dalam penelitian ini adalah Electroencephalography (EEG) untuk pengukuran secara objektif dan Karolinska Sleepiness Scale (KSS) untuk pengukuran secara subjektif. Hasil dari penelitian ini diharapkan dapat dijadikan alternatif untuk mencegah serta mengurangi tingkat terjadinya kecelakaan lalu lintas.

---

There are about 1.3 million people die from traffic accidents every year worldwide. In Indonesia itself, the number of traffic accidents is fairly high and tends to increase every year according to data from Badan Pusat Statistik (BPS). The human faktor is often determined as the main faktor causing accidents. In humans, fatigue is considered the main cause of transportation accidents with one of the indicators being drowsiness. One of the steps that can be taken to prevent the driver from increasing the level of sleepiness experienced by the driver is to regulate the temperature inside the vehicle. The temperature of the working environment contributes greatly to the level of fatigue. Therefore, this study was conducted to determine the optimal temperature range to reduce the level of sleepiness of drivers in order to reduce the rate of traffic accidents in Indonesia. The method used in this research is Electroencephalography (EEG) for objective measurement and Karolinska Sleepiness Scale (KSS) for subjective measurement. The results of this study are expected to be used as an alternative to prevent and reduce the rate of traffic accidents."

"[ABSTRAKPerkembangan EEG Pasta yang ada masih tetap menggunakan bahan-bahan yang dapat menyebabkan rasa pedih di mata, perih di kulit dan susah membersihkannnya diperlukan EEG Pasta yang tidak mengakibatkan masalah diatas tetapi tetap memiliki sifat konduktansi yang sangat bagus. Maka dibuatlah prototype Pasta EEG berbahan dasar tepung jagung dengan pengukuran impedansi. Pengukuran impedansi dilaksanakan di RS Pertamedika Sentul City- Sentul City, dimulai tanggal 03/12/2103 ? 20/12/2013. Nilai Impedansi yang diukur meliputi CZ, C3, C4, Z, A1 dan A2 dengan menggunakan Pasta Original, Pasta Tepung Jagung 25% dan Pasta Tepung Jagung 50%. Mengamati nilai impedansi EEG tersebut, dengan penambahan pasta konsentrasi semakin tinggi. Pasta kontrol dan pasta tepung jagung 25% sudah cukup memenuhi syarat pengukuran EEG dengan nilai impedansi yaitu 5-10 k Ohm. Semakin besar kandungan tepung jagung (50%) semakin besar nilai impedansinya.;

---

ABSTRACTTrend of EEG Paste now is still use the ingredient which can cause skin and eyes irritation also hard to removed. We need EEG paste which cannot cause the above conditions but still have good conductitivity. So we produce prototype EEG paste staff from corn flour with impedance measurement. Impedance measurement executed at Pertamedika Sentul City Hospital, starting from 03/12/2013 ? 20/12/2013. Impedance value including CZ, C3, C4, Z, A1 and A2 using Origin paste, corn flour paste 25% and corn flour paste 50%. Observe EEG impedance value with additional high concentrate paste. Control paste and corn flour paste 25% are fulfilled conditions impedance EEG measurement with impedance value 5-10 k Ohm. More bigger corn flour contains (50%) more higher impedance value., Trend of EEG Paste now is still use the ingredient which can cause skin and eyes irritation also hard to removed. We need EEG paste which cannot cause the above conditions but still have good conductitivity. So we produce prototype EEG paste staff from corn flour with impedance measurement. Impedance measurement executed at Pertamedika Sentul City Hospital, starting from 03/12/2013 – 20/12/2013. Impedance value including CZ, C3, C4, Z, A1 and A2 using Origin paste, corn flour paste 25% and corn flour paste 50%. Observe EEG impedance value with additional high concentrate paste. Control paste and corn flour paste 25% are fulfilled conditions impedance EEG measurement with impedance value 5-10 k Ohm. More bigger corn flour contains (50%) more higher impedance value.]"